探索大型语言模型在金融图中洗钱检测的上下文学习能力-计算机科学-大语言模型-金融犯罪分析.pdfVIP

探索大型语言模型在金融图中洗钱检测的上下文学习

能力

ErfanPirmorad,

TheVanguardGroup,Inc.

摘要.涉及洗钱的实体的复杂性和相互关联性要求对在此基础上，我们调查了大语言模型是否能够支

图结构数据进行调查推理。本文探讨了将大型语言模持探究式推理——针对金融知识图谱。这些图表示现

型（LLMs）作为从金融知识图中提取的局部子图上的实世界的金融系统，在这些系统中，关系复杂性不仅很

推理引擎的应用。我们提出了一种轻量级管道，用于常见，而且对于风险分析、趋势分析等至关重要，[5]。

检索感兴趣的实体周围的k跳邻居，将其序列化为结我们的目标是评估使用大语言模型作为此类数据的可

本构化的文本，并通过少样本上下文学习提示LLM评估解释推理引擎的可能性——特别是在需要解释性、透

译可疑程度并生成解释。使用反映常见洗钱行为的合成明度和分析师协作的关键领域。

反洗钱（AML）场景，我们展示了LLMs可以模拟分作为激励性的案例研究，我们在这个研究中关注

中析师式的逻辑、突出红旗标志并提供连贯的解释。虽反洗钱（AML）。反洗钱是一个领域，在这个领域中

1然这项研究是探索性的，但它说明了基于LLM的图推识别可疑行为涉及追踪个人、空壳实体和中间账户之

v

5理在AML中的潜力，并为可解释的语言驱动型金融间的复杂资金流动[2,3]。反洗钱和金融犯罪调查越来

8

7犯罪分析奠定了基础。越依赖基于图的表示来检测如分层、快速的资金转移

4和共享基础设施等模式[7,6]。

1

.1介绍在此研究中，我们利用公开可用的IBMAML合

7

0随着金融数据变得越来越相互关联，机构开始转向知成数据集[1]，该数据集通过账户、银行和交易的真实

5

2识图谱来捕捉客户、账户、交易、设备和地理实体之知识图谱模拟金融活动，旨在基于现实世界的情报建

:

v间的复杂关系。这些图谱为推理风险、行为和异常提模常见的洗钱类型。这使我们能够在受控且具有代表

i

x供了丰富的结构。然而，要充分发挥其潜力，则需要性的环境中探索基于LLM的推理。

r

a能够理解和解释多跳异构模式的工具。这项工作将大语言模型不仅定位为文本生成器，

大型语言模型（LLMs）在处理结构化数据方面的而且是能够解释图结构金融活动的上下文推理引擎。

最新进展展示了它们对关系链和图状抽象进行推理的上下文学习提供了一种灵活且无需参数的方法，将领

能力。域知识和推理能力注入黑盒大语言模型中，自然地与

越来越多的研究表明，可以通过图形结构化的提调查工作流程相结合。通过利用这一机制，我们评估了

示[4]或语言引导的消息传递[9]来适应LLMs执行图在不重新训练或使用标记监督的情况下，大语言模型

推理任务。是否能够模拟类似分析师的推理来进行反洗钱检测。

关于这一主题的综述强调了在共享框架下统一自我们提出了一种轻量级的推理管道，其中包含：

然语言和图推理的前景[8]。1.从存储在图数据库中的金融知识图中提取与交易或

CorrespondingAuthorEmail:erfan_pirmorad@.感兴趣实体相关的-跳子图。

©2025TheVanguardGroup,Inc.Allrightsreserved.2.子图被序列化为一种旨在保存拓扑和语义的结构化

文本格式，在这个图中，节点代表账户（个人或企业）